：提出一种基于深度强化学习的电网切机控制策略，所 提控制策略依据电网运行环境信息，通过数据分析得到切机 控制策略。首先介绍强化学习框架，阐述学习算法原理，并 详细介绍Q-Learning 方法。然后介绍深度学习基本概念和 深度卷积网络原理，提出利用深度卷积网络提取电网运行特 征，构建切机策略的思路。再结合深度学习和强化学习，构 建深度强化学习框架，其中深度学习采用深度卷积神经网络 模型用于提取特征，强化学习采用双重Q-Learning 和竞争 Q-Learning 模型计算Q 值，通过比较Q 值大小得到切机控 制策略。最后，利用IEEE 39 节点系统验证了方法的正确性。

零阶学习分类元系统ZCS（Zeroth-level Classifier System）作为一种基于遗传的机器学习技术（Genetics-Based Machine Learning），在解决多步学习问题上，已展现出应用价值。然而标准的ZCS系统采用折扣奖赏强化学习技术，难于适应更为广泛的应用领域。基于ZCS的现有框架，提出了一种采用平均奖赏强化学习技术（R-学习算法）的分类元系统，将ZCS中的折扣奖赏强化学习方法替换为R-学习算法，从而使ZCS一方面可应用于需要优化平均奖赏的问题领域，另一方面则可求解规模较大、需要动作长链支持的多步学习问题。实验显示，在多步学习问题中，该系统可给出满意解，且在维持动作长链，以及克服过泛化问题方面，具有更优的特性。

矩阵指针Matlab代码L2RPN-使用-A3C 使用 Actor-Critic 框架进行 L2RPN 挑战 ( & ) 的强化学习。 使用此代码训练的代理是挑战的获胜者之一。 代码使用pypownet环境()。 该代码是在 LGPLv3 许可下发布的。 要求 Python >= 3.6 凯拉斯 pypownet 虚拟环境 (conda/venv) 推荐 Pypownet 安装和文档： 文件说明 PDF文件 Amar_L2RPN_IJCNN_git.pdf - 在 IJCNN-2019 的 L2RPN 研讨会上介绍该方法。 总结方法和培训方法中的想法。 Numpy 文件 valid_actions_array_uniq.npz - 有效唯一动作矩阵 valid_actions_masking_subid_perm.npz - 将变电站 Id 映射到用于屏蔽参与者输出的唯一有效动作的矩阵 Python文件 valid_switching_controls.py - 创建上述 numpy 文件的 python 文件 pypow_14_a3c_final.py - 用于使用 A3C 训练演员

强化学习(RL)通过与复杂环境的交互，推动机器学习从基础数据拟合到学习和规划的新时代。RL具有深度学习功能，在自动驾驶、推荐系统、无线通信、机器人、游戏等领域取得了巨大的成功。RL的成功很大程度上是基于RL算法的基础发展，直到最近才被彻底理解，特别是它们的有限时间收敛速度和样本复杂性。本教程将全面概述基础RL算法的理论理解的最新进展，利用随机近似/优化理论和利用RL问题的马尔可夫结构。本教程还将介绍一些高级的RL算法及其最近的发展。

安装 首先在requirements.txt安装需求，然后运行pip install -e .

给初学者学习用

深度强化学习Q-Learning在协作认知无线电网络中的应用+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

强化学习matlab源代码很少见的源代码，详细介绍Q学习的编程过程。

深度强化学习对比,对比了DDPG,PG以及TD3三种方法+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

基于深度强化学习的差分驱动移动机器人行驶控制matlab仿真+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。